结合两种情况的Numpy时间有效方法

Question

让我们来描述一下这个问题。例如，我的矩阵形状为(3,2,4)

price_path = np.array([[[100, 130, 150, 160],
                        [100, 130, 150, 160]],

                      [[100,  80,  70,  60],
                       [100,  80,  70,  60]],

                      [[100, 110,  60,  80],
                       [100, 110,  60,  80]]])

在这种情况下，3表示模拟价格路径的次数(如Monte框架)2表示金融资产的数值4表示时间段的数值(以天为单位)。

金融资产的数量如下：

quantites = np.array([[ 1],
                      [-2]])

另外，对于金融资产，引入了一个特殊的特征，即日常结算。

我对两个案件有两项职能：

如果所有资产都有每日结算功能，则返回：

• ：

> quantities * (price_paths[:, :, 1:] - price_paths[:, :, :-1])

[[[ 30,  20,  10],
  [-60, -40, -20]],

 [[-20, -10, -10],
  [ 40,  20,  20]],
    
 [[ 10, -50,  20],
  [-20, 100, -40]]])

如果所有资产都没有该特性，则为

• ：

> quantities * price_paths[:, :, 1:] 

[[[ 130,  150,  160],
  [-260, -300, -320]],

 [[  80,   70,   60],
  [-160, -140, -120]],
    
 [[ 110,   60,   80],
  [-220, -120, -160]]])

是否有时间效率(numpy)方法来使函数在并非所有资产都有日常结算的情况下工作?例如，：第一个资产有它，第二个资产没有它，然后函数返回：

[[[  30,   20,   10],
  [-260, -300, -320]],

 [[ -20,  -10,   -10],
  [-160, -140, -120]],
    
 [[  10,  -50,   20],
  [-220, -120, -160]]])

Answer 1

我不能百分之百肯定我是否正确地理解了你，但我的结果似乎是你想要的(至少对于这个小测试用例)。

>>> import numpy as np
>>> price_paths = np.array([[[100, 130, 150, 160],
...                         [100, 130, 150, 160]],
...
...                       [[100,  80,  70,  60],
...                        [100,  80,  70,  60]],
...
...                       [[100, 110,  60,  80],
...                        [100, 110,  60,  80]]])
>>> quantities = np.array([[ 1],
...                       [-2]])
>>> ds = [True, False]
>>> # Let's make sure `ds` is an array as well
>>> ds = np.array(ds)

注意，第二个方程只是第一个方程的第一部分。所以，对于那些ds是False的部分，需要有False零。

定义一个与quantities重复的助手变量，但是将相关的值设置为0，其中ds是False。

>>> quantities2 = quantities * ds.reshape(-1, 1)
>>> quantities2
array([[1],
       [0]])

现在，将第一个方程分为两部分，并将它们相加在一起：

>>> quantities * price_paths[:, :, 1:] - quantities2 * price_paths[:, :, :-1]
array([[[  30,   20,   10],
        [-260, -300, -320]],

       [[ -20,  -10,  -10],
        [-160, -140, -120]],

       [[  10,  -50,   20],
        [-220, -120, -160]]])